训练数据相关 AI 资讯

AITOP

8月19日

22:43

量子位@思邈

具身数据底座现已开售，首发价格为5100元。该产品专为机器人训练数据提供全新解决方案。它能够构建全栈物理AI基础设施，为机器人开发提供数据支持。

AI产品具身数据底座机器人训练数据

推荐理由：具身数据底座开售了，只要5100元，为机器人训练提供数据支持，比传统方案更全面。

原文

8月9日

13:59

量子位@闻乐

数据层RSI是中国团队提出的一种让AI自我生成训练数据的机制。在题库追不上模型能力时，AI可以通过数据层RSI给自己出题。团队于2026年8月对外披露该方案已跑通。目前数据层RSI的细节尚未完全公开，但方向是缓解高质量数据短缺。

AI模型数据层RSI 自我改进数据生成

推荐理由：这团队让AI自己给自己出题，跑通了数据层RSI。以后训练数据不够，或许不用再靠人工攒题了。

原文

8月2日

07:17

07:17IT之家（博客/媒体）

78°

据404 Media报道，多家图书供应商近期接到大量图书订单，外界怀疑买家为AI公司。图书数据库ISBNdb因曾被指为AI公司与图书仓储牵线而成为焦点，现已删除相关宣传页面并否认训练AI。此前Anthropic内部“Project Panama”项目曾计划采购并销毁图书，最终与作者达成15亿美元和解。报道还提到A24与谷歌合作向DeepMind提供训练素材，以改善媒体生成模型。

行业 ISBNdb Anthropic Project Panama

事件专题

推荐理由：图书被粉碎喂给AI这事闹大了，ISBNdb赶紧删页面撇清，之前Anthropic还花15亿美元和解。

原文

7月31日

02:27

官方账号Decoder@Matthias Bastian

前OpenAI研究员Andrew Ho和剑桥研究员Adam Hunt指出，大语言模型正变得专业化，在编码和数学上表现优异，但在其他领域停滞甚至退步。Ho离开OpenAI创办新公司，专注于专业训练数据。他预测AI实验室将在定向数据收集上投入超过1000亿美元，因为仅靠模型规模扩展已无法推动全面进步。

行业 Andrew Ho OpenAI 训练数据

事件专题

推荐理由：前OpenAI研究员告诉你为啥AI模型不能光靠堆算力，得砸钱搞专业数据。

原文

7月28日

19:38

19:38IT之家（博客/媒体）

调查媒体 404 Media 报道，多家 AI 公司通过中间商大规模收购二手图书，以获取 2022 年前出版的未受 AI 污染的人类创作内容。Anthropic 此前曾投入数百万美元购买纸质书训练 Claude，后因持有 700 万本盗版图书数据库被判赔偿 15 亿美元。ISBNdb 推出面向 AI 企业的图书采购服务，订单规模从 1000 本到 100 万本不等。书商反映今年 4 月以来周销量增长约 5 倍，买家不关注主题、类型或价格，疑似为 AI 训练准备。

行业 Anthropic Claude ISBNdb

事件专题

推荐理由：想了解AI公司怎么偷你的书来训练模型？这篇揭露了Anthropic、ISBNdb和二手书商背后的故事，尺度大到你可能不知道。

原文

7月21日

01:21

01:21官方账号Simon Willison’s Weblog（博客/媒体）

Ben Thompson提议美国立法将AI训练数据收集明确为合理使用，并禁止美国公司通过服务条款阻止模型蒸馏。他指出蒸馏仅是通过API查询模型，几乎无法禁止，因此应转向支持创新。该提案同时有助于美国开源模型与中国模型竞争。文中还提及阿里巴巴发布Qwen 3.8 Max开源权重，可能受习近平关于鼓励开源合作的讲话影响。

行业 Ben Thompson Qwen 阿里巴巴

推荐理由：Ben Thompson提出了一个实际解决蒸馏禁令与训练数据版权矛盾的方案，同时还能帮美国开源模型对抗中国对手，值得一看。

原文

7月18日

00:39

官方账号Simon Willison@simonw

72°

谷歌的Gemini 3.5 Pro交付延迟数月，公司更新训练数据以提升编程能力但结果被内部称为“令人失望”。员工早期被限制使用Gemini编写或分析代码，以防专有代码泄露到AI模型的训练数据中。据消息人士透露，谷歌在AI编码方面尤其落后。

行业 Gemini 3.5 Pro Google 代码泄露

事件专题

推荐理由：谷歌的Gemini 3.5 Pro跳票了，训练数据更新效果也差，员工还担心自己的代码被拿去训练，具体槽点看这篇。

原文

7月17日

00:15

Suhail@Suhail

用户Suhail分享AI可视化能力对数据理解的帮助。过去构建应用检查数据工作量巨大，现在借助AI可视化变得简单。推文获得6条回复和18个点赞。作者认为这有助于真正理解训练模型所使用的数据。

技巧数据可视化训练数据 AI能力

推荐理由：看看这位用户用AI可视化数据的心得，比自己动手建应用省事多了，能帮你吃透训练数据。

原文

7月16日

01:18

techcrunch@Amanda Silberling

73°

黑客利用员工凭证访问Suno源代码，发现AI音乐生成器Suno可能从YouTube抓取了几十年的音频用于训练。该事件引发对AI模型训练数据来源合法性的质疑。Suno此前声称使用自有或授权数据，但源代码显示其使用了YouTube内容。

行业 Suno YouTube 训练数据

推荐理由：黑客挖出Suno训练数据来源，代码显示它大量抓了YouTube音频，这波操作有看头。

原文

7月14日

15:39

AI Will@FinanceYF5

截至2026年7月，Deedy统计了超过50家向大型AI实验室出售训练数据的创业公司。这些公司合计年收入约85亿美元，总估值约1000亿美元。其中超过75%的市场规模集中在Scale、Surge、Mercor和Handshake四家。这些公司提供数据和强化学习环境，在幕后推动AI进展。

行业 Scale Surge Mercor

推荐理由：Deedy盘点了所有卖AI训练数据的公司，50多家年收入85亿，四巨头占了75%。想了解数据供应链的规模，看这个就够了。

原文

7月9日

01:55

techcrunch@Theresa Loconsolo

通用智能CEO认为当前大语言模型如ChatGPT和Claude在理解空间和时间的物理运动方面存在不足。视频游戏数据包含物体移动、交互和因果关系，能提供比互联网文本更丰富的训练信号。他的公司General Intuition正基于这一理念开发面向通用人工智能（AGI）的新模型。他表示游戏数据可帮助AI学习物理世界的常识。

行业 General Intuition ChatGPT Claude

推荐理由：有位CEO认为游戏数据比网络文本更能教AI理解空间和因果，General Intuition在搞这个，挺新鲜的。

原文

6月19日

16:30

官方账号Decoder@Matthias Bastian

两名前 OpenAI 员工推出了网站 In the Weights，它能显示 AI 模型从训练数据中记住了哪些人。网站提供最高 996 分的强度评分，得分越高说明该人物在模型中嵌入越深。目前排名前三的是莫扎特、莎士比亚和泰勒·斯威夫特。

AI产品 In the Weights OpenAI AI记忆

事件专题

推荐理由：前 OpenAI 员工做了个小工具，输入名字就能查 AI 模型认不认得你，莫扎特排第一，挺有意思。

原文

6月16日

14:21

Fireworks AI@FireworksAI_HQ

Fireworks AI 与 LangChain 合作推出新方案，允许客户从应用 traces 中生成定制训练数据。该方案支持持续后训练（continuous post training），帮助企业利用自有数据建立数据护城河。研究由 LangChain Labs 与 Fireworks AI 联合开展，旨在降低 AI 定制门槛。

AI产品 FireworksAI LangChain 训练数据

推荐理由：Fireworks AI 和 LangChain 搞了个新路子：从你的 traces 里自动生成训练数据，然后持续后训练，让你真正掌控自己的 AI 和数据。

原文

01:06

Y Combinator@ycombinator

Hub 是一个通过全球贡献者网络采集真实世界数据的新平台。人类劳动力占全球GDP的一半，但绝大部分从未被记录。Hub 为前沿AI实验室和机器人公司开放访问这些难以获取的数据。该平台由 Y Combinator 支持，创始人 @xarmin 和 @tim404x 今日正式发布。

AI产品 Hub 训练数据数据采集

推荐理由：Hub刚上线，它用全球贡献者网络帮你采集人类真实劳动力数据，解决AI训练数据稀缺问题。

原文

6月12日

12:14

官方账号Allen AI (Ai2)@allen_ai

精选

艾伦人工智能研究所发布ModSleuth工具，用于追踪现代大语言模型训练中依赖的其他模型和数据集。研究发现，Olmo 3依赖89个模型和183个数据集，Nemotron 3则依赖273个模型和560个数据集。这表明LLM训练已从纯人类数据转向模型间相互生成、过滤和评估数据的模式。ModSleuth帮助开发者理解模型供应链的复杂性和潜在风险。

论文大语言模型训练数据模型依赖

推荐理由：大模型训练越来越依赖其他模型生成数据，做模型开发或数据工程的团队需要理解这种依赖链——ModSleuth能帮你理清关系，建议点开看看。

原文

6月8日

02:53

rohanpaul_ai@rohanpaul_ai

精选

一篇关于推理模型训练后如何改进的入门论文指出，更好的推理模型更依赖于可检查的训练证据，而非原始数据规模。论文强调，推理数据不是简单的问答对，真正有价值的是反馈信号，它解释了答案、步骤、工具调用或完整尝试的好坏。作者将推理数据按检查方式分类，包括基于规则的精确检查（数学、代码）、环境检查（智能体工具使用）以及人工或模型判断。论文还揭示了常见误区：长推理链可能是虚假的，更难的数据对某些模型无用，更大的数据集可能仍缺乏关键覆盖。关键结论是，智能体数据应保留失败、重试、恢复等混乱信息，因为学习信号往往隐藏其中。

论文推理模型训练数据检查信号

推荐理由：这篇论文戳破了推理模型训练中“数据越多越好”的迷思，做模型训练或智能体开发的团队值得一读——它告诉你该关注什么数据，而不是盲目堆量。

原文

6月7日

16:05

官方账号Decoder@Jonathan Kemper

精选72°

一项新研究解释了为什么大型语言模型能掌握小型模型无法学会的罕见技能。研究发现，小型模型在处理罕见任务时，频繁出现的任务会不断覆盖它们已学到的知识。研究使用了从400万到40亿参数不等的模型，详细展示了这一机制，并提出了一个实用解决方案：与其扩大模型规模，不如增加目标任务在训练数据中的出现频率。这一发现为优化模型训练提供了新思路。

论文语言模型模型规模训练数据

推荐理由：这项研究为AI开发者揭示了模型规模与技能学习之间的关键机制，做模型训练或数据配比的团队可以直接参考其提出的数据频率优化方案，值得关注。

原文

6月6日

12:39

12:39IT之家（博客/媒体）

精选

科技媒体 The Decoder 报道，微软最新发布的 MAI 系列 AI 模型部分使用了 Common Crawl 等开放网络数据训练，与其此前宣称的“完全基于干净、商业授权数据”存在出入。微软技术论文显示，训练数据是“公开可得数据”与“授权人类生成数据”的混合，而非纯商业授权。微软称其爬虫遵守 robots.txt 协议，但媒体指出未屏蔽内容默认可抓取的逻辑存在争议。这一发现可能影响企业用户对微软 AI 模型数据合规性的信任。

行业微软 MAI 训练数据

推荐理由：微软 MAI 模型的数据来源争议直接关系到企业级 AI 部署的合规风险，做数据治理或采购 AI 服务的团队值得关注，建议点开了解具体细节。

原文

6月3日

10:31

官方一手arXiv: DeepSeek@Sidi Yang, Chaofan Tao, Jierun Chen, Tiezheng Yu, Ruoyu Wang, Yuxin Jiang, Yiming Du, Wendong Xu, Jing Xiong, Taiqiang Wu, Lifeng Shang, Xiaohui Li, Ngai Wong, Haoli Bai

72°

一篇新论文挑战了“更强代码智能体更适合训练学生”的常见假设。研究者构建了Terminal-Lego流水线，将多领域真实问题转化为可验证的智能体任务。实验发现，尽管Claude Opus 4.6在基准测试中得分更高，但用DeepSeek-V3.2（得分较低）的轨迹微调的学生模型，泛化能力反而更强。这种“教学悖论”归因于环境监督（EGS）：暴露“检查-行动-验证”行为的轨迹，能让学生学到稳健的问题解决模式。仅用1.53万条轨迹，Qwen3-32B就达到了此前需要30倍数据量的SOTA水平，表明智能体后训练的关键在于“环境交互结构设计”。

论文智能体终端智能体训练数据

推荐理由：这篇论文推翻了“老师越强，学生越好”的直觉，做智能体微调的团队会发现数据质量和交互结构比模型能力更重要，值得仔细读实验设计。

原文

5月22日

22:53

官方账号Clement Delangue@ClementDelangue

AI产品数据集存储 CommonCrawl

推荐理由：CommonCrawl 的背书说明 Hugging Face Buckets 在大规模数据管理上靠谱，做 NLP 或预训练数据处理的团队可以直接试试，省去自己搭存储的麻烦。

原文

5月21日

13:37

rohanpaul_ai@rohanpaul_ai

76°

Meta 在 4 月 30 日的全员大会上泄露音频显示，公司正利用自家工程师的工作痕迹（包括代码编辑、测试、修复、工具选择等步骤）来训练编程 AI。扎克伯格认为，让模型观察“真正聪明的人”完成任务，比使用外包编写的示例数据更有效。这种“行为克隆”方法不仅教 AI 什么是正确代码，还教它如何从模糊任务逐步推导出解决方案。与此同时，Meta 计划裁员约 8000 人（占员工 10%），并将约 7000 人转向 AI 相关工作。这意味着人类专家的经验正在被转化为训练数据，然后被 AI 压缩吸收。

行业 Meta 编程助手行为克隆

推荐理由：Meta 把自家工程师的思考过程变成训练数据，做 AI 编程或关注 AI 对就业影响的开发者值得细看——这可能是未来 AI 训练范式的转折点。

原文

5月16日

22:24

Y Combinator@ycombinator

PerfectBit 是一家初创公司，专注于生成高质量的训练数据，其核心方法是通过物理模拟器、科学数据库和形式化证明系统来验证数据的正确性，确保数据“天生正确”。这种数据生成方式适用于大语言模型、机器人、AI for Science 等领域。该公司由 Y Combinator 支持，并已正式发布。其方法解决了传统训练数据中常见的不一致和错误问题，对需要高精度数据的 AI 应用具有重要意义。

AI产品训练数据数据验证物理模拟器

推荐理由：做 AI 训练数据或科学计算的团队，终于有了一个能保证数据正确性的方案——PerfectBit 用物理模拟器验证数据，比人工标注靠谱太多，做机器人或科学 AI 的开发者值得关注。

原文

5月11日

11:18

Ethan Mollick@emollick

学者Ethan Mollick推测，2022-2023年间公开发布的关于AI的热门内容可能仍对当前模型有持续影响。他指出，此后开放互联网在训练中的重要性下降，但模型在许多方面仍停留在2022年的认知水平。这一观察暗示早期训练数据的长期影响和模型更新的滞后性。

论文 AI安全数据偏见训练数据

推荐理由：此文提醒AI从业者关注模型训练数据的时效性偏见，对模型评估和迭代有参考价值。

原文